一种基于混合数据学习的交通现场风险识别方法及系统技术方案

本发明专利技术涉及基于混合数据学习的交通现场风险识别方法及系统。本发明专利技术中，利用既能采集可见光图像又能采集红外图像的第一图像采集设备和第二图像采集设备采集路况，并对所采集的可见光图像和红外图像通过高斯滤波的方式滤波后获取滤波图像；对于滤波图像，通过值域归一化得到归一化图像，利用归一化图像提取包含混合数据的风险特征向量；将风险特征向量传输给风险学习模型进行风险预测。基于本申请的数据处理方式和优化的神经网络模型实现对交通现场风险识别，有助于提升交通管理的效率，提早发现风险，保护人民财产安全；利用归一化图像提取风险特征向量，降低了数据的维度，降低数据传输量，且提升了模型的学习性能。且提升了模型的学习性能。且提升了模型的学习性能。

【技术实现步骤摘要】
一种基于混合数据学习的交通现场风险识别方法及系统


[0001]本专利技术属于智慧交通领域，特别地，涉及一种基于混合数据学习的交通现场风险识别方法及系统。

技术介绍

[0002]伴随着人工智能、大数据技术的快速发展，智慧交通应用在城市交通管理中逐渐扮演越来越重要的角色。随着社会经济和科技的快速发展，机动车保有量迅速增加，城市交通路况越发复杂，交通拥挤、交通事故时有发生，而智慧交通就是以人工智能、物联网等新技术为基础，对交通状况进行实时的监控，以便及时发现异常事件和风险，以便及时处置，提高交通系统对风险和异常事件的响应能力。
[0003]现有对于道路交通情况的监视通常采用图像处理和识别的方式完成，但是精度较差，智能化不够。随着人工智能的发展，也有使用神经网络模型作为图像识别从而判断交通风险和交通状况的技术。但目前监控摄像头通常在路段中间，朝向一个方向，即监控某一长度路段；或是放置在路口，监控路口情况。也就是说，摄像头采集的图像都是单纯针对某一路段的情况，并未考虑关联路段。同时，现有系统通常是将采集的图像上传至服务器，通过服务器中的神经网络进行识别和判断。由此会对通信带宽有较高要求，按目前通信带宽，无法实时大量上传高清图像，从而使得整个系统不得不牺牲图像数量或图像质量来保证上传通道不拥堵，从而保证响应的实时性和准确性。此外，常见的神经网络模型对于道路，特别是复杂道路的风险预警准确度较差。
[0004]因此，需要一种能够实时、高效、准确识别交通风险的系统。

技术实现思路

[0005]为了解决如上的一个或多个技术问题，以及实施例中提到的技术问题，本专利技术提出了一种基于混合数据学习的交通现场风险识别方法及系统。
[0006]第一方面，本专利技术提供一种基于混合数据学习的交通现场风险识别方法，包括：
[0007]步骤1、混合图像数据的采集和预处理：
[0008]利用第一图像采集设备和第二图像采集设备同时采集路况的可见光图像和红外图像；其中第一图像采集设备设置在路段内部，朝向设定方向；第二图像采集设备设置在路段两端，路段每端设两个第二图像采集设备；第一图像采集设备和第二图像采集设备采集可见光图像和红外图像的分辨率相同；
[0009]对于红外图像和可见光图像分别利用相应的高斯函数进行卷积计算，得到滤波图像I
′
；对于可见光图像对应的高斯函数的高斯窗口尺寸为∈1，，对于任意一幅可见光图像，计算每个灰阶在该幅图像中所对应的像素个数，记为c1、c2、
…
、c
256
；取其中对应像素个数最多的三个灰阶，按个数从大到小依次得到c
i
、c
j
、c
k
；对于红外图像，对应的高斯函数的高斯窗口尺寸为∈2，∈2＝15；
[0010]步骤2、混合图像数据的归一化：滤波图像I
′
经过值域归一化后得到归一化图像
[0011]步骤3、基于归一化的混合图像数据的现场风险特征向量提取：对于归一化图像将其在空间上分割成S
×
S大小的子图；对于可见光图像的归一化图像的每个子图，求取其像素值的最大值，记为s
max
，对于红外图像的归一化图像的每个子图，求取其像素值的中间值，记为s
med
，假设s(i,j)为子图s中坐标为(i,j)的像素的值，计算
[0012][0013][0014]为可见光图像的归一化图像的子图s对应的第一特征向量；为红外图像的归一化图像的子图s对应的第二特征向量；归一化图像所有子图的第一特征向量或第二特征向量组成归一化图像的识别特征；所有归一化图像的识别特征所组成现场风险特征向量；
[0015]步骤4、基于现场风险特征向量的交通现场风险识别：
[0016]将步骤3获得的现场风险特征向量展开为一个矩阵，矩阵的每一行对应于一幅图像所有子图提取出的识别特征，矩阵的行数为(2D+8)，对应于路段两端四个第二图像采集设备采集的4张可见光图像与4张红外图像对应的归一化图像的识别特征依次放在矩阵的最后8行，该展开的矩阵记为将作为神经网络输入层的输入数据；隐藏层包括五层；神经网络的输出层节点y
z
对应于待识别的交通现场风险存在的概率，当y
z
＝0时，表示该风险不存在，当y
z
＝1时，表示该风险存在。
[0017]更进一步地：步骤4中，展开矩阵的维度是3
×
N
S
；矩阵的行数为(2D+8)，对应于每次采集到的D+4张可见光图像与D+4张红外图像，N
S
为每幅采集到的图像所包含的子图数。
[0018]更进一步地：步骤1中可见光图像对应的高斯函数为：
[0019][0020]步骤1中红外图像对应的高斯函数为：
[0021][0022]更进一步地：步骤3中，S＝8。
[0023]更进一步地：第一图像采集设备和第二图像采集设备所采集可见光图像和红外图像的分辨率一致。
[0024]第二方面，本专利技术提供一种交通现场风险识别系统，实施所述基于混合数据学习的交通现场风险识别方法，包括：第一图像采集设备、第二图像采集设备和云服务器，其中，第一图像采集设备和第二图像采集设备通过通讯网络连接云服务器。
[0025]更进一步地：第一图像采集设备和第二图像采集设备中设置有智能处理模块，用于对第一图像采集设备和第二图像采集的可见光图像和红外图像进行滤波、归一化处理得
到归一化图像并利用归一化图像提取现场风险特征向量。
[0026]更进一步地：云服务器用于将现场风险特征向量送入神经网络中进行识别，从而判断该路段的风险，云服务器判断发生风险时发送给指挥中心进行预报或预警。
[0027]更进一步地：第一图像采集设备和第二图像采集设备的镜头光轴朝向道路并与道路成30度角，视场角不低于120度。
[0028]更进一步地：第一图像采集设备为一个或多个。
[0029]本专利技术的专利技术点及技术效果：
[0030]1、利用部署在待识别风险的路段两端的第一图像采集设备及路段上的第二图像采集设备同时采集可见光图像和红外图像，不仅针对待识别路段路况进行采集，还对关联路段进行采集，作为判别风险发生的辅助依据，对于待测路段可能的风险判断更加准确，提高风险识别的性能。
[0031]2、采用可见光图像、红外图像作为数据源，并针对不同类型图像设计了专门的、不同的滤波方式，有助于提高方法对于外部环境影响的抗干扰能力，识别更加准确。
[0032]3、通过在智能处理模块进行提取现场风险特征向量，避免了向云服务器传输图片，减少了通讯负担的同时能够保证识别的准确性。
[0033]4、通过专门的神经网络结构设计，使得其更适合处理源自可见光图像和红外图像的现场风险特征向量，且能够与图像数据滤波、值域归一化与现场风险特征向量提取方法相互配合，实现了面向风险特征的学习与识别，与经典本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合数据学习的交通现场风险识别方法，其特征在于，包括：步骤1、混合图像数据的采集和滤波：利用第一图像采集设备和第二图像采集设备同时采集路况的可见光图像和红外图像；其中第一图像采集设备设置在路段内部，朝向设定方向；第二图像采集设备设置在路段两端，路段每端设两个第二图像采集设备；第一图像采集设备和第二图像采集设备采集可见光图像和红外图像的分辨率相同；对于红外图像和可见光图像分别利用相应的高斯函数进行卷积计算，得到滤波图像I
′
；对于可见光图像对应的高斯函数的高斯窗口尺寸为∈1，，对于任意一幅可见光图像，计算每个灰阶在该幅图像中所对应的像素个数，记为c1、c2、
…
、c
256
；取其中对应像素个数最多的三个灰阶，按个数从大到小依次得到c
i
、c
j
、c
k
；对于红外图像，对应的高斯函数的高斯窗口尺寸为∈2，∈2＝15；步骤2、混合图像数据的归一化：滤波图像I
′
经过值域归一化后得到归一化图像步骤3、基于归一化的混合图像数据的现场风险特征向量提取：对于归一化图像将其在空间上分割成S
×
S大小的子图；对于可见光图像的归一化图像的每个子图，求取其像素值的最大值，记为s
max
，对于红外图像的归一化图像的每个子图，求取其像素值的中间值，记为s
med
，假设s(i,j)为子图s中坐标为(i,j)的像素的值，计算s(i,j)为子图s中坐标为(i,j)的像素的值，计算s(i,j)为子图s中坐标为(i,j)的像素的值，计算为可见光图像的归一化图像的子图s对应的第一特征向量；为红外图像的归一化图像的子图s对应的第二特征向量；归一化图像所有子图的第一特征向量或第二特征向量组成归一化图像的识别特征；所有归一化图像的识别特征所组成现场风险特征向量；步骤4、基于现场风险特征向量的交通现场风险识别：将步骤3获得的现场风险特征向量展开为一个矩阵，矩阵的每一行对应于一幅图像所有子图提取出的识...

【专利技术属性】
技术研发人员：李建武，张松，王卫苹，刘凯，王国梁，
申请(专利权)人：北京理工大学前沿技术研究院，
类型：发明
国别省市：